機械学習モデルの説明可能性・解釈可能性についてご説明します。本講座がカバーする領域は表形式になります。
対象者
説明可能性について学習したい方
所要時間
※資料のみ
習得内容
機械学習モデルの説明可能性・解釈可能性について学習する
コース内容
資料のみ
| 第1章 | 機械学習モデルの説明可能性・解釈可能性
XAI⼿法（SHAP、LIME）／相互作⽤の可視化（PDP、ALE） |
|---|---|
| 第2章 | スタッキング手法を用いた説明可能性 |
- 難易度：
- 【応用】☆★★★
RapidMiner XAI編
RapidMiner 日本語テキスト分析 実践活用編
深層学習編にて、テキスト分析についてご紹介しましたが、本講座では日本語のテキスト分析についてより実践的な課題を扱います。具体的には、RapidMinerのみ（Python連携せずに）で日本語の形態素解析を行いテキストの分類を行います。また、One Hot Encodingでは難しい分散表現を用いた深層学習モデルの作成を行います。日本語テキストを使ってノンプログラミングでより高度な実践例をご紹介しております。
対象者
日本語でのテキスト分析をノンプログラミングで行いたい方
所要時間
約120分
習得内容
テキストデータのハンドリングができるようになる。
テキストデータを使ったより精度の高い予測ができるようになる。
コース内容
全3章 約120分
| 第1章 | 事前準備／形態素解析／環境設定／ブログキーワドの可視化／科学研究論文の分類／特許検索／問合せ情報の分類／ニュース記事の分類／RapidMinerでの実装 |
|---|---|
| 第2章 | 類似文章の抽出／類似性を評価／類似度算出の手順／TF-IDF／コサイン類似度／RapidMinerでの実装／t-SNE／可視化 |
| 第3章 | 単語のベクトル表現／Word2Vec／本のタイトルの分類／形態素解析／分散表現（Embedding）／深層学習（LSTM）／深層学習モデル作成と検証／モデルの検証／パラメーターチューニング |
RapidMiner 転移学習編
学習済みモデルを転用することで、学習にかかる時間を削減することができ、少量のサンプルでも予測精度の高い学習モデルを作成することができる転移学習の方法について説明しております。Fine-Tuningオペレーターの使い方など転移学習に必要不可欠なオペレーターの説明を行なっています。 演習では、圧延鋼の画像を用いた傷の有無の判別を取り上げ、実装していきます。
対象者
RapidMinerで深層学習を習得したい方 画像を扱っており、転移学習の実装例を知りたい方
所要時間
約35分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。（モデル学習時間は除く）
習得内容
分析結果のまとめ方の形式を理解できる。
まとめ方の要点が分かる。
コース内容
全4章 35分
| 第1章 | ニューラルネットワークの復習 |
|---|---|
| 第2章 | 転移学習とは |
| 第3章 | RapidMiner 転移学習オペレーターの紹介／Import Existing Model／Fine-Tune Model |
| 第4章 | 演習 |
PyTorch 入門編
Pytorchは、ディープラーニングのフレームワークの中でも近年、最も勢いのあるフレームワークです。最先端の研究（学界、産業界）でもよく使用されており、Pytorchの基礎を理解することで様々な実課題を深層学習を使ってアプローチできることになるはずです。本講座では、Pytorchの基礎を短時間でコンパクトにご説明致します。
対象者
深層学習を使って高度な分析課題を解決していきたい方におススメ
所要時間
約45分
習得内容
Pytorchライブラリの基本的内容を理解する
実際にPytorchライブラリ使って深層学習モデルを作成してみる
コース内容
全7章 約45分
| 第1章 | テンソル(Tensor）イントロダクション／テンソル（Tensor）とは／テンソル（Tensor）作成方法／テンソル（Tensor）の演算処理 |
|---|---|
| 第2章 | データ読み込み／Map-Styleデータ、Iterable-Styleデータ／サブクラスの作成 |
| 第3章 | データの前処理／Data Augumentation（データ拡張）Random Crop／Random Erasing／Random Flip／Gaussian Blur／Random Grayscale／Color Jitter／Random Rotation／変換の組み合わせ |
| 第4章 | モデル作成／全結合層 |
| 第5章 | モデル最適化／モデルの予測と損失の計算／誤差逆伝播法（Backpropagation） |
| 第6章 | モデルの保存と読み込み |
| 第7章 | モデルの改善／畳み込み層 |
RapidMiner AI-Hub運用編/AI-Hub活用編
RapidMiner AI-Hubの各機能の紹介・使い方の解説コースです。機械学習モデルの展開・運用をこれから始める、より円滑に行いたいなど、モデルの運用を課題としてお持ちの方向けとなっております。活用編もご用意しております。
対象者
機械学習プロジェクトのマネージャー・推進者 におススメ
所要時間
約200分
習得内容
RapidMiner AI-Hubの概要・操作方法を理解する
効果的な運用方法について学習する
コース内容
AI-Hub運用編/全7章 約200分
| 第1章 | RapidMiner AI-Hubの全体像／RapidMiner AI-Hubを導入する意義とは／RapidMiner AI-Hubの機能／Studio無償ユーザーと有償ユーザーの違い／RapidMiner AI Hubのインストール |
|---|---|
| 第2章 | ユーザー登録と権限設定／権限設定／ユーザー登録／セキュリティ |
| 第3章 | Dashboardの作成／AI Hub Dashboard の概要／Dashboard（RapidMiner v9.7 以降の場合）／Web App（RapidMiner v9.6 以前の場合） |
| 第4章 | Python連携／Server Repositoryのデータソースを読み込み／Server Repositoryのプロセス実行／Server Repositoryにpandas data frame を書き込み／Jupyter lab／生成したデータをGrafanaで表示 |
| 第5章 | ローカルデータのアップロードと可視化／ローカルデータのアップロード／可視化 |
| 第6章 | データの読み込み／変数選択、モデル選択／モデル評価、結果の解釈／Deployment |
| 第7章 | Real Time Scoring（RTS）／Real Time Scoring (RTS) Agentの概要／RTS Agentのセットアップ／RTS Agentにプロセスの追加 |
AI-Hub運用編/全7章 資料のみ
| 第1章 | RapidMiner AI-Hubとは |
|---|---|
| 第2章 | プロジェクト作成 |
| 第3章 | RapidMiner Notebookの活⽤ |
| 第4章 | APIエンドポイントの⽣成 |
| 第5章 | ダッシュボード作成 |
RapidMiner 深層学習編（画像・テキスト）
RapidMinerを使った深層学習について複数の講座で学習出来るコースです。
時系列解析、画像認識、テキストマイニングといった課題に深層学習を活用出来るように学習していきます。
対象者
深層学習を身に付けたい人 におススメ
所要時間
約260分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
習得内容
深層学習の基礎を習得する
深層学習を使って、時系列解析・画像認識・テキストマイニングが出来るようになる
コース内容
基礎理解編 /全10回 約150分
| はじめての深層学習 イントロダクション | 学習内容／学習ゴール |
|---|---|
| 第1章 | 深層学習とは／ビジネスでの活用例／深層学習の位置づけ／ニューラルネットワーク／ディープ・ニューラルネットワーク |
| 第2章 | Deep Learning Extension／Extensionの追加／多層パーセプトロンの作成／学習条件の設定／実行結果 |
| 第3章 | 手書き文字画像の識別／CNNの作成／実行結果 |
| 第4章 | センサーデータの異常検知／部分時系列の作成／MLPモデルの作成／実行結果／異常検知の考え方 |
| 第5章 | まとめ |
| はじめてのテキストマイニング 第1章 | テキストマイニングとは／ビジネスでの活用例／技術体系 |
| 第2章 | テキストの前処理／自然言語処理／形態素解析／前処理フロー |
| 第3章 | テキストの分析／単語の出現分布／階層的クラスタリング／共起ネットワークの構築 |
| 第4章 | まとめ／付録 |
実践応用編 /全17回 約110分
| 画像認識 第1章 | 事前準備／Extensionのインストール |
|---|---|
| 第2章 | CNNの基礎／畳み込み層の計算／プーリング層の計算 |
| 第3章 | 画像の前処理／前処理の手順／データ構造の確認／画像サイズを揃える |
| 第4章 | 被写体の識別／モデル学習の手順／CNNの作成／モデル精度の確認 |
| 第5章 | 画像の水増し／グレースケール変換／画像の反転／画像の回転 |
| 第6章 | まとめ |
| 時系列解析 第1章 | 事前準備／Extensionのインストール |
| 第2章 | RNNの基礎／LSTM：長短期記憶 |
| 第3章 | 時系列の前処理／前処理の手順／部分時系列の作成／データ形式をテンソルへ変換 |
| 第4章 | 時系列の予測／作成するLSTMの構造／LSTMの作成／実行結果 |
| 第5章 | 教師ラベルの作成／ラベル作成の考え方／異常フラグの作成／実行結果 |
| 第6章 | まとめ／実行結果 |
| テキスト分類 第1章 | 事前準備 |
| 第2章 | テキストの前処理／前処理の手順／形態素解析の実行 |
| 第3章 | テキストのクラス予測（1）／モデル学習の手順／TF-IDFによる重み付け |
| 第4章 | テキストのクラス予測（2）／文書分類モデル学習／モデル精度の確認 |
| 第5章 | まとめ |